DOI: https://doi.org/10.1016/j.array.2026.100695
تاريخ النشر: 2026-01-27
المؤلف: Francesco D’Amore وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تستكشف الأبحاث تطبيق الحوسبة الكمومية في تعلم الآلة، تحديدًا من خلال تطوير خوارزميات تعلم الآلة الكمومية (QML) التي تستفيد من مجموعات البيانات التي تولدها أجهزة إنترنت الأشياء (IoT). أحد التحديات الكبيرة في QML هو نقص مجموعات البيانات المصممة خصيصًا للأساليب الكمومية، مما يتطلب غالبًا تعديلات على مجموعات البيانات الكلاسيكية لتكون متوافقة مع الأجهزة الكمومية. تستخدم هذه الدراسة مجموعة بيانات متوافقة مباشرة مع معالجة البيانات الكمومية، مما يسمح بتقييم نواة الكم المتوقعة (PQK) مقابل نواة الكم القياسية (QK) والأساليب الكلاسيكية في مهمة توقع تتعلق بإشغال غرف المكاتب. تشير النتائج إلى أن PQK يعمل بشكل مشابه للأساليب الكلاسيكية عند استخدام دائرة ضحلة للتشفير الكمومي، بينما يوفر أيضًا ميزة ذات دلالة إحصائية على QK من حيث الدقة ودرجات F1.
تسلط الاستنتاجات الضوء على التحديات المستمرة في دمج الحوسبة الكمومية في تعلم الآلة وتقترح عدة اتجاهات بحثية مستقبلية. من الجدير بالذكر أن الدراسة تؤكد على أهمية مرحلة التشفير الكمومي في QML وإمكانية تفوق الدوائر الضحلة على الدوائر الأعمق، حتى في ظروف خالية من الضوضاء. يقترح المؤلفون مزيدًا من التحقيقات في ضرورة الدوائر العميقة، وتأثير دقة القياس على أداء النموذج، وتطوير استراتيجيات قياس تكيفية لتعزيز تمثيل البيانات. كما يؤكدون على الحاجة إلى تحقيقات أوسع عبر مجموعات بيانات متنوعة والانتقال إلى أجهزة حقيقية ضوضائية لفهم أفضل لتداعيات عمق الدائرة ومصادر الخطأ في تطبيقات QML.
مقدمة
تناقش مقدمة الورقة المجال المتنامي لتعلم الآلة الكمومية (QML)، الذي يدمج الحوسبة الكمومية مع منهجيات تعلم الآلة. تؤكد على ضرورة وضع ادعاءات الميزة الكمومية في سياقها من خلال تعريف واضح لأنواع المشكلات وخصائص البيانات المعنية. يشير المؤلفون إلى أن الأبحاث الحالية، لا سيما في عصر الكم الوسيط الضوضائي (NISQ)، قد ركزت على الخوارزميات الهجينة المتغيرة التي تجمع بين الدوائر الكمومية وتقنيات التحسين الكلاسيكية. استكشفت مجموعتهم مشكلات تحسين هندسية متنوعة، بما في ذلك إدارة الطاقة وتصنيف الصور، مع التركيز على فعالية النماذج الكمومية، خاصة طرق نواة الكم، في التعلم من مجموعات البيانات الواقعية.
تشير النتائج إلى أن تصميم التشفير الكمومي وعمق الدائرة يؤثران بشكل كبير على أداء أساليب QML، خاصة لبيانات إنترنت الأشياء (IoT). من الجدير بالذكر أن الدوائر الكمومية الضحلة يمكن أن تحقق تعميمًا مشابهًا أو متفوقًا على الدوائر الأعمق، مما يتماشى مع الاتجاهات في أدبيات QML. كما يذكر المؤلفون أنه بينما أداء نواة الكم المقترحة (PQK) يعادل الخوارزميات الكلاسيكية، لا تزال ميزة كمومية محددة غير مثبتة. من المثير للاهتمام أنهم يلاحظون أن مستوى معتدل من ضوضاء اللقطات يمكن أن يعزز الأداء، مما يقترح طرقًا لمزيد من الاستكشاف. تم هيكلة الورقة لتقديم نظرة شاملة على البحث، بما في ذلك معلومات خلفية، أوصاف مجموعات البيانات، منهجيات تجريبية، ونتائج، culminating in discussions on future research directions.
الطرق
في هذا القسم، يوضح المؤلفون المنهجية التجريبية المستخدمة لتقييم أداء نواة الكم المتوقعة (PQK) مقابل نوى الكم غير المتوقعة (QK) وآلات الدعم الكلاسيكية (SVM). باستخدام تنفيذ بايثون مع Qiskit لإدارة الدوائر الكمومية، ركزت التجارب على توقع إشغال الغرف، مع استخدام دوائر تشفير كمومية واستراتيجيات إسقاط متنوعة. تشير النتائج، الملخصة في الجدول 1، إلى أن PQK تحقق دقة مشابهة أو متفوقة ودرجات F1 مقارنة بـ QK مع خرائط ميزات أقل عمقًا، مثل RotX و3D-CNOT. من الجدير بالذكر أن اختبار t المزدوج يكشف عن فجوة أداء ذات دلالة إحصائية (p < 0.01) بين أفضل نماذج PQK وQK، مع تجاوز Cohen's d 1.3، مما يشير إلى حجم تأثير كبير. علاوة على ذلك، يظهر PQK أداءً تنافسيًا مقارنة بـ SVM-RBF الكلاسيكية، خاصة مع خريطة الميزات 3D-CNOT، حيث يتفوق أحيانًا على SVM-RBF من حيث الدقة ودرجة F1 (p = 0.024). تسلط الدراسة أيضًا الضوء على أن نماذج PQK أكثر كفاءة، حيث تحقق تقليصًا بنسبة 18% في عدد متجهات الدعم مقارنة بـ SVM-RBF عند استخدام خريطة الميزات 3D. وهذا يشير إلى أن كلاً من نوى الكم المتوقعة وغير المتوقعة يمكن أن تستفيد بشكل فعال من نقاط بيانات أقل من الأساليب الكلاسيكية، مما يبرز أهمية اختيار تشفيرات كمومية مناسبة لأداء النموذج الأمثل.
المناقشة
في قسم المناقشة، يستكشف المؤلفون تداعيات استخدام مجموعات بيانات صناعية وواقعية في سياق تعلم الآلة الكمومية (QML). يؤكدون على ضرورة معالجة مجموعات البيانات المرجعية، مثل MNIST، من خلال تقنيات تقليل الأبعاد مثل تحليل المكونات الرئيسية (PCA) أو المشفرات التلقائية (AEs) لجعلها متوافقة مع الأجهزة الكمومية. ومع ذلك، يحذرون من أن هذه الخطوات المعالجة يمكن أن تشوه الطبيعة الجوهرية للمشكلة، مما يعقد المقارنات بين النماذج الكلاسيكية والكمومية. لمعالجة ذلك، يدعو المؤلفون إلى استخدام مجموعات بيانات العالم الحقيقي، مثل مجموعة بيانات COGITO-IoT، التي يمكن إدخالها مباشرة في الدوائر الكمومية دون مزيد من تقليل الأبعاد، مما يسهل مقارنات أكثر معنى.
يتناول القسم أيضًا أهمية طرق النواة في كل من تعلم الآلة الكلاسيكي والكمومي، مسلطًا الضوء على أناقتها الرياضية والميزات المحتملة لنوى الكم. يناقش المؤلفون نهج نواة الكم المتوقعة (PQK)، الذي يخفف من التحديات التي تطرحها الزيادة الأسية في فضاء هيلبرت من خلال إسقاط الحالات الكمومية مرة أخرى إلى فضاء الميزات الكلاسيكي. تتيح هذه الطريقة استخراج ميزات قيمة مع الحفاظ على فوائد التمثيلات عالية الأبعاد. يختتم المؤلفون بتحديد تركيز دراستهم على تطبيق أساليب نواة الكم المختلفة على مجموعة بيانات COGITO-IoT، بهدف تعزيز فهم استراتيجيات التشفير الكمومي وتداعياتها على أداء تعلم الآلة.
DOI: https://doi.org/10.1016/j.array.2026.100695
Publication Date: 2026-01-27
Author(s): Francesco D’Amore et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The research explores the application of quantum computing in machine learning, specifically through the development of Quantum Machine Learning (QML) algorithms that leverage datasets generated by Internet-of-Things (IoT) devices. A significant challenge in QML is the lack of datasets tailored for quantum approaches, often necessitating modifications to classical datasets for compatibility with quantum hardware. This study employs a dataset that is directly compatible with quantum data processing, allowing for the evaluation of the Projected Quantum Kernel (PQK) against standard Quantum Kernel (QK) and classical methods in a prediction task related to office room occupancy. The findings indicate that PQK performs comparably to classical methods when utilizing a shallow circuit for quantum encoding, while also providing a statistically significant advantage over QK in terms of accuracy and F1 scores.
The conclusions highlight the ongoing challenges in integrating quantum computing into machine learning and suggest several future research directions. Notably, the study emphasizes the importance of the quantum encoding stage in QML and the potential for shallow circuits to outperform deeper ones, even in noiseless conditions. The authors propose further investigations into the necessity of deep circuits, the effects of measurement precision on model performance, and the development of adaptive measurement strategies to enhance data representation. They also stress the need for broader validation across diverse datasets and the transition to real noisy hardware to better understand the implications of circuit depth and error sources in QML applications.
Introduction
The introduction of the paper discusses the burgeoning field of Quantum Machine Learning (QML), which integrates quantum computing with machine learning methodologies. It emphasizes the necessity of contextualizing claims of quantum advantage by clearly defining the problem types and data characteristics involved. The authors note that current research, particularly in the Noisy Intermediate-Scale Quantum (NISQ) era, has concentrated on variational hybrid algorithms that combine quantum circuits with classical optimization techniques. Their group has explored various engineering optimization problems, including energy management and image classification, focusing on the efficacy of quantum models, especially quantum kernel methods, in learning from realistic datasets.
The findings indicate that the design of quantum encoding and circuit depth significantly influences the performance of QML approaches, particularly for Internet of Things (IoT) data. Notably, shallow quantum circuits can achieve comparable or superior generalization to deeper circuits, aligning with trends in QML literature. The authors also report that while the performance of the proposed quantum kernel (PQK) is on par with classical algorithms, a definitive quantum advantage remains unproven. Interestingly, they observe that a moderate level of shot noise can enhance performance, suggesting avenues for further exploration. The paper is structured to provide a comprehensive overview of the research, including background information, dataset descriptions, experimental methodologies, and results, culminating in discussions on future research directions.
Methods
In this section, the authors detail the experimental methodology employed to evaluate the performance of the projected Quantum Kernel (PQK) against non-projected Quantum Kernels (QK) and classical Support Vector Machines (SVM). Utilizing a Python implementation with Qiskit for quantum circuit management, the experiments focused on room occupancy prediction, employing various quantum encoding circuits and projection strategies. The results, summarized in Table 1, indicate that PQK achieves comparable or superior accuracy and F1-scores to QK with shallower feature maps, such as RotX and 3D-CNOT. Notably, a paired t-test reveals a statistically significant performance gap (p < 0.01) between the best PQK and QK models, with Cohen's d exceeding 1.3, indicating a large effect size. Furthermore, PQK demonstrates competitive performance relative to the classical SVM-RBF, particularly with the 3D-CNOT feature map, where it occasionally outperforms SVM-RBF in accuracy and F1-score (p = 0.024). The study also highlights that PQK models are more compact, achieving an 18% reduction in the number of support vectors compared to SVM-RBF when using the 3D feature map. This suggests that both projected and non-projected quantum kernels can effectively leverage fewer data points than classical methods, emphasizing the importance of selecting appropriate quantum encodings for optimal model performance.
Discussion
In the discussion section, the authors explore the implications of using artificial and real-world datasets in the context of quantum machine learning (QML). They emphasize the necessity of preprocessing benchmark datasets, such as MNIST, through dimensionality reduction techniques like Principal Component Analysis (PCA) or autoencoders (AEs) to make them compatible with quantum hardware. However, they caution that these preprocessing steps can distort the problem’s inherent nature, complicating comparisons between classical and quantum models. To address this, the authors advocate for the use of real-world datasets, such as the COGITO-IoT dataset, which can be directly input into quantum circuits without further dimensionality reduction, thereby facilitating more meaningful comparisons.
The section also delves into the significance of kernel methods in both classical and quantum machine learning, highlighting their mathematical elegance and the potential advantages of quantum kernels. The authors discuss the Projected Quantum Kernel (PQK) approach, which mitigates the challenges posed by the exponential growth of Hilbert space by projecting quantum states back into a classical feature space. This method allows for the extraction of valuable features while maintaining the benefits of high-dimensional representations. The authors conclude by outlining their study’s focus on applying various quantum kernel approaches to the COGITO-IoT dataset, aiming to enhance the understanding of quantum encoding strategies and their implications for machine learning performance.